GENOT: Entropic (Gromov) Wasserstein Flow Matching with Applications to Single-Cell Genomics

要約

単細胞ゲノミクスは細胞の挙動についての理解を大幅に前進させ、治療法や精密医療における革新を促進しました。
ただし、シングルセルシーケンステクノロジーは本質的に破壊的であり、限られたデータモダリティしか同時に測定できません。
この制限は、セルを再調整できる新しい方法の必要性を強調しています。
最適トランスポート (OT) は有力なソリューションとして浮上していますが、従来の離散ソルバーはスケーラビリティ、プライバシー、サンプル外推定の問題によって妨げられています。
これらの課題により、OT マップをパラメータ化するニューラル OT ソルバーとして知られるニューラル ネットワーク ベースのソルバーの開発が促進されました。
しかし、これらのモデルには、より広範なライフサイエンス応用に必要な柔軟性が欠けていることがよくあります。
これらの欠陥に対処するために、私たちのアプローチは確率マップ (つまり、輸送計画) を学習し、あらゆるコスト関数を許容し、質量保存制約を緩和し、二次ソルバーを統合して、(融合) グロモフ-ワッサーシュタイン問題によってもたらされる複雑な課題に取り組みます。
フローマッチングをバックボーンとして利用する私たちの方法は、柔軟で効果的なフレームワークを提供します。
私たちは、細胞発生研究、細胞薬物応答モデリング、クロスモダリティ細胞翻訳への応用を通じてその多用途性と堅牢性を実証し、治療戦略を強化する大きな可能性を示しています。

要約(オリジナル)

Single-cell genomics has significantly advanced our understanding of cellular behavior, catalyzing innovations in treatments and precision medicine. However, single-cell sequencing technologies are inherently destructive and can only measure a limited array of data modalities simultaneously. This limitation underscores the need for new methods capable of realigning cells. Optimal transport (OT) has emerged as a potent solution, but traditional discrete solvers are hampered by scalability, privacy, and out-of-sample estimation issues. These challenges have spurred the development of neural network-based solvers, known as neural OT solvers, that parameterize OT maps. Yet, these models often lack the flexibility needed for broader life science applications. To address these deficiencies, our approach learns stochastic maps (i.e. transport plans), allows for any cost function, relaxes mass conservation constraints and integrates quadratic solvers to tackle the complex challenges posed by the (Fused) Gromov-Wasserstein problem. Utilizing flow matching as a backbone, our method offers a flexible and effective framework. We demonstrate its versatility and robustness through applications in cell development studies, cellular drug response modeling, and cross-modality cell translation, illustrating significant potential for enhancing therapeutic strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google